El concepto de inteligencia es construido en cuatro elementos fundamentales: datos, informacin, conocimiento y sabidura.

En general, los datos toman la forma de medidas y representaciones del mundo; por ejemplo, hechos crudos y nmeros. La informacin es obtenida por datos asignando relevancia a la minera, semejante a un contexto especfico. El conocimiento es una interpretacin especfica de informacin. Y la sabidura es la habilidad de aplicar datos relevantes de conocimiento a un problema particular. De sta manera, la sabidura requiere cuestionamientos, juicio, reglas y eventualmente experiencia; esto tambin ayuda a crear nuevo conocimiento. Cuando se desarrollan sistemas inteligentes, se disea el empleo de diferentes clases de conocimiento derivado de modelos especficos de dominios de inters. Esos no son estndares clasificados, el dominio del problema determina qu clase de conocimiento se puede considerar y que modelo podemos derivar de este conocimiento. Por ejemplo, el conocimiento puede se interno (referente del propio sistema) o externo (referente a el sistema del entorno). El conocimiento puede ser tambin a priori (inicialmente obtenido de un sistema) o de experiencia (adquirida de anlisis de tareas rendimiento durante la vida del sistema). Otras clases de conocimiento puede relatarse de dominio, la estructura del sistema, las es estrategias para resolver problemas la habilidad de un sistema con otros sistemas. Representacin de conocimiento Los diseos de sistemas inteligentes pueden usar diferentes elementos para representar diferentes clases de conocimiento los elementos de representacin de conocimiento (KR) pueden ser primitivos semejantes a reglas, estructuras, redes semnticas y mapas conceptuales, antologas, y expresiones lgicas. Esto debe ser combinado dentro de ms elementos complejos de conocimiento, cualquier elemento que use, el diseo debe estructurar el conocimiento tan bien que el sistema pueda efectivamente procesarlo para que un humano pueda interpretar fcilmente los resultados. Reglas Las reglas organizan el conocimiento dentro de pares de premisa-conclusin, en donde la premisa es una expresin booleana y la conclusin es una serie de declaraciones. La premisa es envuelta en un bloc IF..THEN y consiste de una o ms clausulas conectadas por operaciones lgicas semejantes como AND, OR y NOT. Por ejemplo: si es la hora del lunch o tengo hambre, entonces yo ir a un restaurante.

Una ventaja de regla basada en KR (representacin de conocimiento) esto es extremadamente simple, el cual hace fcil de entender el contenido del conocimiento. Las reglas que disparen dentro de condiciones especficas demuestran el razonamiento fcilmente, como sea, una regla basada en el modelo de representacin del conocimiento puede crecer mucho, incorporando miles de reglas y requerimientos extra esfuerzo y herramientas que permitan mantener su consistencia. Estructuras Las estructuras representan entidades fsicas semejantes a objetos o personas, o simples conceptos via coleccin de informacin, derivando llamadas funciones, y salidas assigments, y pueden contener descripciones de atributos semnticos. Las estructuras contienen dos llaves elementales: slots son situados de atributos de la entidad. Redes semnticas y mapas conceptuales El conocimiento es a menudo mejor entendimiento como un relato de conceptos. Una red semntica es un director grfico de nodos los cuales representan conceptos conectados por bordes que representan relaciones semnticas entre los conceptos. No son establecidos de forma estndar las relaciones entre conceptos en redes semnticas, pero en el seguimiento de relaciones es comn: ejemplo: X es una instancia de Y si X es un ejemplo especfico de la concepto general Y ISA: X isa y si X es un subconjunto de la Y concepto ms general haspart: X haspart Y si el concepto Y es una parte del concepto de X La herencia es una clave no inico en las redes semnticas y puede estar representados naturalmente por IsA relaciones. Esencialmente, un computarizados utiliza la red semntica metadatos (datos que describen los datos) para representar el significado de diferentes informacin. Los sistemas inteligentes que reconocer el significado de la informacin- por ejemplo, los datos almacenados en un almacn-inconmensurablemente ms inteligente. Extensible Markup Language (XML) y Recursos Description Framework (RDF) son comn de gestin de contenidos esquemas que apoyan semntica redes. Los mapas conceptuales son similares a redes semnticas, pero que ellos llaman la enlaces entre nodos en muy diferentes maneras. Ellos se consideran ms potente que las redes semnticas porque pueden representar bastante complejo conceptos-por ejemplo, una jerarqua de conceptos con cada nodo que constituye un concepto separado. Los mapas conceptualesson tiles cuando los diseadores quieren usa un sistema inteligente de adoptar un constructivista vista del aprendizaje. Las ontologas

Las ontologas heredan los conceptos bsicos proporcionada por las normas, marcos, redes semnticas, y mapas conceptuales. Ellos representan explcitamente conceptos de dominio, los objetos y las relaciones entre los conceptos y los objetos a formar la estructura bsica alrededor de la cual el conocimiento se puede construir (W. Swartout y A. Tate, "ontologas", IEEE Intelligent Systems, enero / febrero 1999, pp 18-19). La idea principal es establecer normas modelos, taxonomas, vocabularios, y la terminologa de dominio y utilizarlos para desarrollar el conocimiento y adecuada modelos de razonamiento. Una ontologa se compone de las jerarquas de conceptos-por ejemplo, una "Objetos" rbol de concepto o de un "relaciones" rbol de concepto. Cada concepto tiene propiedades, que puede ser considerado como un marco. Las relaciones entre la conceptos forman redes semnticas, y las reglas y restricciones imponen restricciones a las relaciones o definir los enunciados verdaderos en la ontologa (hechos). La figura 1 muestra una ontologa que representa el concepto de un caf mquina. CM tiene propiedades como la altura, el peso, el caf en grano, pantalla tctil, contenedores, etc. Una red semntica define las relaciones entre CM y el resto de los conceptos en la ontologa e incluye las siguientes propiedades: CM requiere E (elctrico), CM requiere A (accin), CM requiere C (caf), CM requiere W (agua) y CM hace CD (bebida de caf). Algunas reglas expresadas con los conceptos de ontologa agregan nuevos conocimientos sobre la mquina de caf. lgica Para lograr la semntica precisos necesarios para fines de clculo , los diseadores de sistemas inteligentes suelen utilizar la lgica para formalizar KR . Por otra parte , la lgica es relevante para el razonamiento ( inferir nuevos conocimientos a partir de los conocimientos existentes ) , que a su vez es importante para la implicacin y deduccin ( RJ Brachman y HJ Levesque , Representacin del Conocimiento y Razonamiento , Elsevier , 2004 ) . El formalismo lgico ms importante utilizado para KR es la lgica de primer orden. FOL ayuda a describir un dominio de conocimiento como un conjunto de objetos y construir frmulas lgicas en torno a esos objetos. Al igual que las redes semnticas , las declaraciones en lenguaje natural pueden ser expresado con frmulas lgicas describir hechos acerca de los objetos que utilizan predicados y smbolos de funcin . Extensiones de FOL como la lgica de segundo orden y la lgica temporal se esfuerzan por mejorar el formalismo lgico , aumentando la expresividad . El problema con la FOL es que se puede cuantificar a travs de las personas , pero no sobre las propiedades y el tiempo nos lo podemos especificar los componentes individuales de una propiedad , pero no es una de las propiedades individuales. Con SOL , por ejemplo , podemos axiomatizar el "componente A y el componente B tiene al menos una propiedad en comn , tales como compartir al menos una interfaz ", frase que no podemos ver con FOL. Lgicas temporales hacen posible a los conocimientos ya sea como

modelo de tiempo lineal o ramificado modelos temporales de tiempo, y se pueden utilizar para describir y formalizar los patrones de razonamiento complejo prescripcin pasos de inferencia que operan sobre modelos de conocimiento temporales. Otro destacado es el formalismo lgico descripcin, que evolucion a partir de redes semnticas. Con DL, representamos el conocimiento de un dominio de aplicacin mediante la definicin de conceptos relevantes primero en TBox y utilizando Una casilla para especificar las propiedades de los objetos. Aunque es menos expresivo que FOL, DL tiene una sintaxis ms compacta y mejores caractersticas computacionales. INTEGRIDAD Y COHERENCIA Ningn modelo KR puede proporcionar una imagen completa del dominio de inters. Objetos de dominio suelen ser entidades del mundo real que no pueden ser descritos por un conjunto finito de estructuras simblicas y, adems, estos objetos no existen en forma aislada sino en el contexto ilimitadas. Los sistemas inteligentes tanto deben confiar en el razonamiento para inferir el conocimiento perdido. Coherencia de la informacin es fundamental para el razonamiento eficiente. El grado en que los sistemas de lograr esta eficiencia est determinada por el hecho de que asumen que el mundo operacional es completa o incompleta y cerrado y abierto: suposicin de mundo cerrado (CWA), a menos que una sentencia atmica se sabe que es verdad, se puede suponer que es falsa, y suposicin de un mundo abierto (OWA), informacin que no se especifique expresamente, o que no se pueden derivar a partir de datos conocidos, se considera desconocida. El ejemplo siguiente ilustra la diferencia entre estas dos suposiciones: Teniendo en cuenta: Emil conduce un Mazda. Pregunta: Emil conducir un rojo Mazda? Respuesta: (CWA) No. (OWA) Desconocido. (Mazda de Emil podra ser rojo.) Tenga en cuenta que FOL impone la semntica CWA y DL imponga semntica OWA. Aunque es ms restrictiva que OWA, CWA mantiene la coherencia en el conocimiento, ya que no permite la adicin de nuevos hechos, que pueden conducir a la inconsistencia. Los sistemas inteligentes tambin pueden emplear las reglas y restricciones de consistencia, como "no negacin", para mantener la coherencia del conocimiento. Puede haber restricciones para la adquisicin de conocimiento, recuperacin, actualizacin, y las inferencias.

RAZONAMIENTO Cuando un sistema inteligente debe decidir sobre un curso de accin y no hay conocimiento explcito para guiar esta decisin, el sistema debe es razonable que averiguar lo que necesita saber de lo que ya sabe. Hay dos tipos bsicos de razonamiento: hechos montona-nuevos slo pueden producir creencias adicionales, y hechos nonmonotonic-nuevos a veces se invalidar creencias anteriores. Mecanismos de razonamiento actuales estn lejos de ser eficiente, lo cual se debe en parte a la tarea inherentemente difcil de KR. Motores de inferencia FOL-o DL-basadas por lo general hacen clculos, que acta sobre el conocimiento existente para producir nuevos conocimientos. FOL motores de inferencia basados utilizan algoritmos automatizados de deduccin para demostrar teoremas y construir modelos finitos, a menudo en paralelo. Demostracin de teoremas puede ayudar a encontrar contradicciones o detectar nueva informacin, mientras que la construccin de modelos finitos es una tarea deduccin complementaria. El problema con inferencias basadas en FOL es que la vinculacin lgica para FOL es decir, si la conclusin deseada sigue de las premisas semidecidable-que, a continuacin, eventualmente resolucin refutacin encontrar una contradiccin. Como resultado, las consultas a menudo inevitablemente no terminan. Motores de inferencia basado en DL son muy poderosos cuando razonan sobre el conocimiento taxonmico, ya que pueden descubrir relaciones ocultas entre subsuncin clases. Sin embargo, su poder de expresin est restringida a reducir la complejidad computacional y para garantizar la decidibilidad de sus algoritmos deductivos. Esta restriccin evita eficazmente la amplia aplicacin del razonamiento taxonmico de dominios heterogneos. Para hacer un razonamiento ms eficientes, sistemas inteligentes tambin deben incluir mecanismos capaces de tamizar el conocimiento consciente del contexto de la inmensa cantidad de informacin que es irrelevante para el contexto actual. un sistema inteligente exitosa emplea sus conocimientos para ser ms consciente de s mismo. Para lograr esto la autoconciencia, Diseadores 2011system estn desarrollando modelos KR ms sofisticados y capacidades de razonamiento, basado en la investigacin en ontologas, minera de datos, agentes inteligentes, computacin autonmica, el procesamiento del conocimiento, y muchas otras reas.